Download as PDF, PPTX
More Related Content
![[AKIBA.AWS] EC2の基礎 - パフォーマンスを100%引き出すオプション設定 -](https://cdn.slidesharecdn.com/ss_thumbnails/akibaaws01-170901004726-thumbnail.jpg?width=640&height=640&fit=bounds)
![[第2版] Python機械学習プログラミング 第1章](https://cdn.slidesharecdn.com/ss_thumbnails/python-machine-learning-2nd-edition-01-180905090109-thumbnail.jpg?width=640&height=640&fit=bounds)
If文から機械学習への道
- 1. if文から機械学習への道 2017-09-26 BPStudy#121 サイボウズラボ /BeProud技術顧問 理学博士 / 技術経営学修士 西尾泰和 ver.2 2017-09-29 公開
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11. 複雑！ if((x1 and x2) or(x1 and x3) or (x2 and x3)){ … } 11
- 12. 条件が複数ある時 条件x1, x2, …,x5の内、 3つ以上がTrueの時に 実行したいなら、どうする？ 12
- 13. 複雑！ if((x1 and x2and x3) or (x1 and x2 and x4) or (x1 and x2 and x5) or…){ … } 13
- 14.
- 15. 真偽値を数値にする Trueを1、Falseを0に変換すると 「3つ以上がTrue」は 「足したら3以上」に変わる。 if((x1 + x2+ x3 + x4 + x5) >= 3){ … } 15
- 16. andもorも同じ形にできる x1 and x2and x3 and x4 and x5 = 条件x1, x2, …, x5の、すべてがTrue = 足したら5以上 x1 or x2 or x3 or x4 or x5 = 条件x1, x2, …, x5の、どれかがTrue = 足したら1以上 16
- 17. andもorも同じ形にできる 条件x1, x2, …,x5の、すべてがTrue (x1 + x2 + x3 + x4 + x5) >= 5 条件x1, x2, …, x5のうち3つ以上True (x1 + x2 + x3 + x4 + x5) >= 3 条件x1, x2, …, x5の、どれかがTrue (x1 + x2 + x3 + x4 + x5) >= 1 17
- 18. 右辺をそろえてみる 条件x1, x2, …,x5の、すべてがTrue(弱い) ( 𝟏 𝟓 * x1 + …) >= 1 条件x1, x2, …, x5のうち3つ以上True ( 𝟏 𝟑 * x1 + …) >= 1 条件x1, x2, …, x5の、どれかがTrue(強い) (1 * x1 + …) >= 1 18
- 19.
- 20. 問 条件x1, x2, …,x5の、すべてがTrueまたは 条件x6, x7, …, x10のうち3つ以上Trueまたは 条件x11, x12, …, x15の、どれかがTrue を表現するにはどうすればよい？ 20
- 21. 重みは条件ごとに異なってもよい 𝟏 𝟓 * x1 +… + 𝟏 𝟑 * x6 + … + 1 * x11 + … >= 1 21
- 22.
- 23.
- 24. 具体的なコード 今回の内容はロジスティック回帰を使って 学習できる。 from sklearn.linear_model import LogisticRegressionってやって fit(X, y)を呼べば重みが自動調整されて predict(X)を呼べば重み付き和を計算して 判断してくれる。楽ちん。 24 ロジスティック回帰についてくわしく知りたい人は、 サイボウズラボの中谷秀洋さんが技術評論社のサイトで連載しているのがおススメ http://gihyo.jp/dev/serial/01/machine-learning/0018
- 25.
- 26.
- 27. アカデミアとビジネスの違い アカデミア • データが公開されている • 枯れた技術はとっくの昔に調査済み •新しい手法を考案して精度を競い合う ビジネス • データが公開されてない 27 枯れた技術を使う
- 28.
- 29.
- 30.
- 31.
- 32.
- 33. Q3 60%の識別器 Q3: 60%の確率で宝石の入った原石を当てる識別 器*が買えるとする。 収益の期待値はいくら増えるか？ 33 *原石を買う前に使うことで「60%の確率で宝石が入っている原石」を9500円で手 に入れられるようになるとします。お店の人が嫌がりそう、という点は今回は気に ません。またQ2の機械は手に入っておらず、1日に割れる数は20個のままとします。
- 34.
- 35.
- 36.
- 37.
- 38.
- 39.
- 40.
- 41.
- 42.
- 43.
- 44.
- 45. 例: スパムフィルタ Q1 顧客は何がどうなると嬉しいのか A1顧客はメールボックスにスパムメールがたく さんあって困っている、スパムがなくなるとうれ しい Q2 それを人間がやるならどうやってやるか A2 メールの本文を見て、スパムかどうか判定し て、スパムは別のフォルダに移動する 45
- 46.
- 47.
- 48.
- 49. 答える順番は問わない この4つの質問の答える順番は問わない。 例1: 顧客に～をするために(6)、～を出力する(4)、 そのため入力～を入れる(3)、これをどうやって 入手しようか？(5) 例2: 今～データが入手できている(5,3) ここから顧客価値を生むにはどうするか？(6) そのためにはどういう出力が必要か？(4) 49
- 50. 例: スパムフィルタ >Q2 それを人間がやるならどうやってやるか >A2人間がやるなら、メールの本文を見て、ス パムかどうか判定して、スパムは別のフォルダに 移動する Q3 人間が(2) するために、どんなデータを入れる 必要があるか？ A3 メールの本文の情報が必要。タイトルや送信 者も貰えるなら貰いたい 50
- 51. 例: スパムフィルタ Q4 人間が(2)をすることで、箱からどんな出力 データが出てくるのか？ A4各メールに対して「スパムである、スパムで ない」のラベルを出力 51
- 52. 例: スパムフィルタ Q5 入力データ(3)はどうやって入手するのか？ A5最初の一歩としてはとりあえずメールをエク スポートしてもらえれば。 継続的にやるにはメーラからデータを取る方法を 作るか、メールサーバの側に手を加えるかが必要 そう。 52
- 53. 例: スパムフィルタ Q6 出力データ(4)をどうやって顧客価値(1)につな げるのか？ A6スパムである/ないのラベルを見て、メールを 振り分けする 53
- 54.
- 55. ステップ3 ステップ1: 人間がやる ステップ2: 箱の中の人間がやる ステップ3:箱の中の機械がやる 箱の中の人をコンピュータに置き換える。 55
- 56.
- 57.
- 58.
- 59.
- 60.
- 61.
- 62.
- 63.
- 64. まとめ • ビジネスでは顧客価値が重要 • 顧客もあなたも何が顧客価値か 正確に理解していない •素早く理解するために最小限の工数で 実験を繰り返す(Minimum Viable Prodict) • 実験によって不満点や顧客価値が 徐々に具体化されていく • 改善を繰り返して顧客価値を増やしていく 64
- 65.
- 66.
- 67.
- 68.
- 69. 例: スパムフィルタ 実現したいこと: >(2)“メールの本文を見て、スパムかどうか判定し、ス パムは別のフォルダに移動する” あなた「本文を見てスパムかどうか判断して」 バイト「どうやって判断するんですか～？」 あなた「例えば○○って単語が入ってたらスパム」 気付き: 最初の一歩のプログラム(8)を「NGキー ワードが含まれてるか判定」にしたらよい 69 補足の補足:アルバイト向けマニュアルの作成は「最初のプアなプログラム」を書く上 での助けになることが目的なので、さらさらプログラムを書けるなら飛ばしてもよい。
- 70.
- 71.
- 72.
- 73. Deep Learning Q: “人間が条件を明確化できてなくても DeepLearningなら自動でできるのでは？” A: 半分正しい。画像処理の分野では、例えば100x100の モノクロ画像でも「入力の値が10000個ある」という 辛い状態になる。こういう入力をうまく扱おうと 専門家が何十年もの間、色々な条件を考案してきた。 畳みこみを繰り返す特殊な形のニューラルネットを作っ て、大量のデータで学習してみたら、意外なことに 専門家が工夫して実装したものより良い精度が出た。 これが正しい半分。正しくない半分は次のページ。 73
- 74. Deep Learning この成功によりDeep Leaningに注目が集まり 文脈を抜かして「DeepLearningを使うと人間より精度 の高い判断をするプログラムが作れる」 と伝言ゲームがゆがむ。 その結果、全然違う条件の問題に対して 「これもDeep Learningでなんとかなるのでは」 と考える人が増えた。 問題条件が変われば手法の有効性も変わるので、 基本は「枯れた手法から順に小さい実験を繰り返す」 しかない。 74
- 75. 能動学習 Q: ナイーブベイズよりもロジスティック回帰で 能動学習した方がいいか？ A: ナイーブベイズもロジスティック回帰同様に 信頼度を出せる手法なので、ナイーブベイズで能 動学習したらいい。 補足:今回は割愛したけども、ロジスティック回 帰もナイーブベイズも「確率モデル」であって、 「この入力がクラス1になる確率は0.8だな～」み たいな出力を出すモデルです。これをこの発表で は「判断の自信」って表現していました。 75
- 76.
- 77.
- 78.
- 79.